يواجه مجتمع الصم في عالم يجعل من التواصل ركيزة للاتصال الإنساني عوائق مميزة، فلغة الإشارة وسيلتهم الرئيسة للتواصل غنية بإيماءات اليد، غير أنها غير مفهومة على نطاق واسع خارج مجتمعهم، مما يجعل الحاجة إلى المترجمين قائمة باستمرار، وتعتمد الحلول القائمة للتعرف على لغة الإشارة على مجموعات بيانات واسعة لتدريب النماذج، وهو ما يعرضها لخطر فرط التخصيص مع النماذج المعقدة، كما أن ندرة التفاصيل حول أحجام مجموعات البيانات وخصائص النماذج في الدراسات تعقد قابلية توسيع هذه التقنيات والتحقق منها، ويزيد الأمر صعوبة أن بعض البحوث تغفل مقاييس الدقة الدقيقة، فتبقى فاعلية التعرف على الإيماءات لدى هذه النماذج موضع تساؤل، ومن هنا تسعى هذه الدراسة إلى تعزيز تفسير لغة الإشارة العربية بأدوات تعلم عميق أكثر كفاءة وشفافية، وبما يضمن الإبلاغ الواضح عن أحجام البيانات وخصائص النماذج ومقاييس الأداء حتى يمكن التحقق من النتائج وتوسيع نطاقها وتعميمها على تطبيقات عملية أوسع
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى تطوير نموذج للتعرف على لغة الإشارة وتفسيرها بالاستفادة من الشبكات العصبية الالتفافية والتعلم بالنقل، بغية الاستفادة من الشبكات العصبية المدربة مسبقًا لتحسين الأداء في مهام جديدة ذات صلة، عبر إعادة استخدام الأنماط المتعلمة بما يسرع التطوير ويرفع الدقة، ومرت الدراسة بمراحل رئيسة هي جمع البيانات، ومعالجتها الأولية، واستخراج الخصائص باستخدام الشبكات العصبية الالتفافية، ثم التصنيف القائم على التعلم بالنقل، وشملت المعالجة الأولية تغيير حجم الصور والتطبيع والتوحيد القياسي وتحويل فضاء الألوان والإغناء وخفض الضوضاء، أما استخراج الخصائص فتضمن طبقة الالتفاف ورسم خرائط الخصائص وطبقة التجميع وطبقة الإسقاط للحصول على خصائص مصقولة من الصور، واستخدمت هذه الخصائص في التصنيف بواسطة شبكة ريزنت، واعتمد التقييم على ثلاث مجموعات بيانات، تضم الأولى 5832 صورة لإيماءات اليد، والثانية 54049 صورة، والثالثة 7857 صورة، وقيس الأداء بمقاييس معيارية تشمل منحنى خصائص تشغيل المستقبل والدقة بمفهوميها العام والاستدعاء ومقياس إف، مع مقارنة تحليلية دقيقة بثلاث طرائق أساسية معيارية، وروعي في تصميم خطوات العمل أن تكون المعالجة الأولية مرحلة تأسيسية ترفع جودة المدخلات قبل استخراج الخصائص، فتتحسن قدرة النموذج على التقاط الفروق الدقيقة بين إيماءات اليد المتشابهة في لغة الإشارة، وتقل أخطاء الخلط بين الإشارات المتقاربة في الشكل والحركية
ثانيًا: أبرز النتائج
أظهرت النتائج أن النموذج المقترح حقق دقة تعرف لافتة بلغت 96.25 في المئة على مجموعة البيانات الأولى، و95.85 في المئة على الثانية، و97.02 في المئة على الثالثة، وأكد التحليل التجريبي الدقيق والمقارنة بالطرائق الأساسية الثلاث تفوق النموذج المقترح، وبينت النتائج أن توظيف المعالجة الأولية يصقل مجموعة بيانات الصور برفع كفاءة المصنف، وأن الجمع بين الشبكات العصبية الالتفافية لاستخراج الخصائص وشبكة ريزنت للتصنيف ضمن إطار التعلم بالنقل يمنح أداء متسقًا عبر مجموعات بيانات متفاوتة الأحجام والمصادر، ويدل تقارب مستويات الدقة عبر المجموعات الثلاث رغم اختلاف أحجامها ومصادر جمعها على متانة النموذج وقدرته على التعميم، ويعزز الثقة في توظيفه أساسًا لتطبيقات تفسير عملية، كما يثبت أن الاستثمار في جودة المعالجة الأولية للصور ينعكس مباشرة على جودة الخصائص المستخرجة ومن ثم على دقة التصنيف النهائية
ثالثًا: دلالات الدراسة وتطبيقاتها
تشير هذه النتائج إلى إمكانات عملية واعدة في تطوير أدوات تفسير لغة الإشارة العربية وتيسير تواصل مجتمع الصم مع محيطهم دون اعتماد دائم على المترجمين، إذ يتيح التعلم بالنقل بناء نماذج دقيقة بموارد تدريبية أقل نسبيًا، وتبرز الدراسة في الوقت نفسه أهمية الشفافية في الإبلاغ عن أحجام مجموعات البيانات وخصائص النماذج ومقاييس الدقة، بوصفها شرطًا لقابلية توسيع هذه التقنيات والتحقق المستقل من فاعليتها، كما تفتح الباب أمام تطبيقات تعليمية وخدمية أوسع تخدم الصم في البيئات العربية، فكل تقدم في دقة التعرف على الإيماءات ينعكس مباشرة على استقلالية الأشخاص الصم وقدرتهم على إنجاز معاملاتهم اليومية والتعليمية والخدمية دون وسيط، وهو ما يمنح هذا النوع من البحوث قيمة اجتماعية تتجاوز بعده التقني إلى أثر إنساني مباشر في جودة حياة فئة كاملة من المجتمع
وخلاصة القول إن النموذج المقترح أثبت فاعلية عالية في التعرف على إيماءات لغة الإشارة بدقة تجاوزت 95 في المئة عبر ثلاث مجموعات بيانات مختلفة، مستفيدًا من تكامل المعالجة الأولية الدقيقة واستخراج الخصائص بالشبكات الالتفافية والتصنيف بالتعلم بالنقل، بما يقدم مسارًا عمليًا لتطوير تقنيات تفسير لغة الإشارة العربية وتعزيز إدماج مجتمع الصم تواصليًا
